Resumen

Mediante la exploración y visualización de datos, se evidenció ….

Introducción

Todo delito trae consigo una serie de inconvenientes o sufrimiento para una o más personas. Por esto y más siempre ha sido de interés para el humano el estudio de diversos delitos. Lo ideal sería poder predecir estos actos para así evitar los daños generados, pero lamentablemente esto no es posible debido a la gran aleatoriedad de los actos de las personas. Aunque no se puede tener certeza de que se cometerá un delito, sí se puede tratar de encontrar un patrón espacial.

Es por esto que buscamos analizar los distintos niveles de delitos por comuna de la Región Metropolitana y relacionarlos con distintas variables comunales, como son el porcentanje de hacinamiento, la cantidad de habitantes por vivienda, el índice de masculinidad poblacional, nivel de escolaridad del jefe de hogar, entre otras. Queremos responder preguntas como ¿Existirán patrones identificables de los tipos de delitos según las diversas variables comunales? ¿Hay relación entre algunos delitos y el nivel de de hacinamiento? ¿Tiene incidencia el nivel educacional del jefe de hogar? ¿Qué delitos sí y cuáles no?

Además, dado que tenemos información espacial ¿Podremos predecir futuros lugares conflictivos según la evidencia de evolución temporal? o ¿Existirán relaciones en los resultados alcanzados entre las unidades vecinales (comunas)?

Las conclusiones obtenidas podrían usarse para que cada comuna genere medidas preventivas desde su realidad, al tomar conocimiento de las variables que propician estos delitos.

Metodología

En este estudio utilizaremos los datos del Centro de Estudios y Análisis del Delito CEAD para los delitos clasificados como: Consumo de alcohol en la vía pública, ruidos molestos, abusos sexuales y otros delitos sexuales, violencia intrafamiliar contra el adulto mayor, contra la mujer y contra el niño. También, usaremos datos del CENSO 2017 provenientes de INE.

En las siguientes tablas podremos ver la descripción de nuestras variables a estudiar:

Tabla I: Descripción de variables Delitos en la región metropolitana.
Variable Tipo de variable Descripción
COMUNA Categórica Nombre de la comuna
ALCOHOL Numérica Cantidad de denuncias por delitos de consumo de alcohol en la vía pública
RUIDO Numérica Cantidad de denuncias por delitos de ruidos molestos
ABUSO Numérica Cantidad de denuncias por abusos sexuales y otros delitos sexuales
VIO.ADULT Numérica Cantidad de denuncias por delitos de violencia intrafamiliar a adulto mayor
VIO.MUJ Numérica Cantidad de denuncias por delitos de violencia intrafamiliar a mujer
VIO.NIN Numérica Cantidad de denuncias por delitos de violencia intrafamiliar a niño/a
ANIO Numérica Año de las denuncias (2010 al 2017)
Tabla II: Descripción de variables CENSO 2017 RM.
Variable Tipo de variable Descripción
Comuna Categórica Nombre de la comuna
POB Numérica Número de habitantes
VIV Numérica Número de viviendas
HACI Numérica Porcentaje de viviendas con hacinamiento
MASCU Numérica Índice de Masculinidad (hombres cada 100 mujeres)
ESC Numérica Años de escolaridad promedio del jefe o jefa de hogar

Adicionalmete para la base CENSO 2017, se generó una nueva variables ´Pob_Viv´ que resume la población y la cantidad de viviendas de la comuna.

Iniciaremos nuestra investigación realizando un análisis previo mediante visualizaciones para observar posibles patrones, asociaciones y correlaciones a través de cartogramas y corrplots, además de usar diversos test de asociación espacial.

Posteriormente, construiremos modelos lineales, CAR y SAR para cada una de las variables de Delitos. Las cuales serán construidas con diferentes variables, en donde identificaremos si es que existe alguna incidencia con nuestra poblacional.

Análisis y Resultados

Para tener una panorámica de la situación, observemos a través de cartogramas las variables poblacionales del CENSO 2017

De la Figura 1, podemos notar que para las variables HACI (hacinamiento) y Pov_Viv poseen una mayor condensación en el centro de las comunas de la región metropolitana. Notemos que para la variable MASCU (hombres cada 100 mujeres) existe una mayor tasa en comunas rurales.

Analicemos la existencia de autocorrelación espacial

Tabla I: Test de Moran
Variable Moran_I_statistic Expectation Variance
Hacinamiento 0.3215536 -0.0196078 0.0062550
Pob_Viv 0.3086284 -0.0196078 0.0062333
MASCU 0.2018453 -0.0196078 0.0059165
ESC 0.5088722 -0.0196078 0.0061381
Tabla II: Test de Geary
Variable Moran_I_statistic Expectation Variance
Hacinamiento 0.6564860 1 0.0096504
Pob_Viv 0.7142005 1 0.0099657
MASCU 0.6455465 1 0.0145702
ESC 0.4495425 1 0.0113497

De las tablas I y II, podemos desprender que para todas nuestras variables existe autocorrelación espacial.


Al igual que para la base anterior, realizaremos cartogramas para nuestra base Delitos. Dado que tenemos información desde el año 2010 hasta el 2017, se presentan a continuación animaciones del avance tras pasan los años para cada uno de los delitos denunciados que estamos estudiando

Figura 2: Cartograma denuncias abuso sexual

Figura 2: Cartograma denuncias abuso sexual

De la Figura 2, podemos notar que para el año 2012 se presentan más comunas con denuncias de esta índole. Además, cabe destacar que las comunas: Puente Alto, Maipú y Santiago centro permanecen en color amarillo y poseen pocas variaciones a lo largo de los años.

Figura 3: Cartograma denuncias de consumo de alcohol en la vía pública

Figura 3: Cartograma denuncias de consumo de alcohol en la vía pública

De la Figura 3, podemos notar que la comuna de Santiago centro posee la mayor cantidad de denuncias por consumo de alcohol en la vía pública. Además, se observa un leve aumento en las comunas aledañas a Santiago centro tras pasar los años.

Figura 4: Cartograma denuncias de ruidos molestos

Figura 4: Cartograma denuncias de ruidos molestos

De la Figura 4, podemos notar que las denuncias con respecto a ruidos molesto ha disminuido un poco a lo largo de los años, dejando a la comuna de Las Condes y Puente Alto como las con mayores denuncias.

Figura 5: Cartograma de violencia hacia los niños y niñas

Figura 5: Cartograma de violencia hacia los niños y niñas

Con respecto a las denuncias de violencia hacia niños y niñas, podemos notar en la Figura 5 que estas han disminuido un poco al pasar los años. Las comunas con más denuncias de esta índole son Puente Alto, San Bernardo y Maipú.

Figura 6: Cartograma denuncias de violencia hacia la mujer

Figura 6: Cartograma denuncias de violencia hacia la mujer

De la Figura 6, podemos notar que lamentablemente las denuncias por violencia hacia las mujeres se ha tenido una muy leve disminución al pasar los años.

Figura 7: Cartograma de violencia hacia los adultos mayores

Figura 7: Cartograma de violencia hacia los adultos mayores

De la Figura 7, podemos observar que ha aumentando la cantidad de denuncias por violencia hacia los adultos mayores. Las comunas de Puente ALto y San Bernardo poseen una mayor cantidad de denuncias.

Ahora bien, ¿Existirá algún tipo de autocorrelación espacial? Realicemos el análisis mediante el test de Moran y Geary para cada uno de estos años y variables:

Violencia hacia la Mujer

Tabla III: Test de Moran para VIO.MUJ
Anio Moran_I p_value autocorr
2010 0.0595747 0.1458961 NO
2011 0.0699195 0.1131303 NO
2012 0.0765915 0.0950411 SI
2013 0.0678272 0.1183752 NO
2014 0.0775098 0.0926427 SI
2015 0.0685166 0.1110256 NO
2016 0.0421538 0.1950433 NO
2017 0.0466795 0.1758531 NO

Podemos ver en la tabla III que solo para dos años observamos autocorrelación espacial.

Violencia hacia Niños

Tabla IV: Test de Moran para VIO.NIN
Anio Moran_I p_value autocorr
2010 0.0705530 0.1174070 NO
2011 0.0580571 0.1450933 NO
2012 0.0781032 0.0902155 SI
2013 0.0868518 0.0771651 SI
2014 0.0527745 0.1641984 NO
2015 0.0613794 0.1364900 NO
2016 0.0357699 0.2279101 NO
2017 0.0499959 0.1769099 NO

Podemos ver en la tabla IV que solo para dos años observamos autocorrelación espacial.

Violencia hacia Adultos Mayores

Tabla V: Test de Moran para VIO.ADULT
Anio Moran_I p_value autocorr
2010 0.1343204 0.0258065 SI
2011 0.2296126 0.0007910 SI
2012 0.1635166 0.0099519 SI
2013 0.2470654 0.0003723 SI
2014 0.1986394 0.0021182 SI
2015 0.1204189 0.0348804 SI
2016 0.1259954 0.0316182 SI
2017 0.1631589 0.0097908 SI

Podemos ver en la tabla V que la variable VIO.ADULT presenta autocorrelación espacial para todos los años que se observó.

Consumo de Alcohol en la vía pública

Tabla VI: Test de Moran para ALCOHOL
Anio Moran_I p_value autocorr
2010 0.1052217 0.0182566 SI
2011 0.0828977 0.0674337 SI
2012 0.0420618 0.1489845 NO
2013 0.1109669 0.0211804 SI
2014 0.1265328 0.0013710 SI
2015 0.0364833 0.1457667 NO
2016 0.0908055 0.0487144 SI
2017 0.1781791 0.0010787 SI

Podemos ver en la tabla VI que la variable ALCOHOL presenta autocorrelación espacial para 6 de los 8 años.

Abuso Sexual

Tabla VII: Test de Moran para ABUSO
Anio Moran_I p_value autocorr
2010 0.0612020 0.1477310 NO
2011 0.0954627 0.0680161 SI
2012 0.0721176 0.1155009 NO
2013 0.0719848 0.1163297 NO
2014 0.0252440 0.2752188 NO
2015 0.0576860 0.1570591 NO
2016 0.0371657 0.2273989 NO
2017 0.0278811 0.2638431 NO

Podemos ver en la tabla VII que la variable ABUSO presenta autocorrelación espacial sólo para 1 año.

Ruidos Molestos

Tabla VIII: Test de Moran para RUIDO
Anio Moran_I p_value autocorr
2010 0.0144525 0.3165029 NO
2011 -0.0439589 0.6339855 NO
2012 -0.0413161 0.6213840 NO
2013 -0.0234342 0.5199303 NO
2014 -0.0504665 0.6564777 NO
2015 -0.0016898 0.4080358 NO
2016 -0.0464047 0.6407996 NO
2017 -0.0762835 0.7708874 NO

Podemos ver en la tabla VIII que la variable RUIDO no presenta autocorrelación espacial en ninguno de los años observados.


Ahora veamos la correlación de los datos a través de un corrplot ¿Qué tan relacionadas linealmente estarán nuestras variables?

knitr::include_graphics(here::here("Informe","Corrplot.png"))
Figura 8: Corrplot

Figura 8: Corrplot

De la Figura 2, podemos notar que las variables POB,VIV, ABUSO, VIO.MUJ y VIO.NIN poseen una asociación muy alta. Podríamos decir que a medida que hay mayor población o viviendas, encontraremos una mayor cantidad de denuncias con respecto a la violencia y abuso.


Modelos

Se propuso el modelo completo con las variables comunales HACI, MASCU, ESCU y Pob_Viv. Y luego se fueron eliminando variables teniendo presente la significancia que tenían en el modelo completo y usando como criterio de eliminación el AIC.

Modelo Violencia hacia la Mujer

Tabla IX: AIC Modelos VIO.MUJ
Modelo AIC
Lineal Completo 6410.272
Lineal MASCU + Pob_Viv 6407.642
CAR MASCU + Pob_Viv 6244.973
SAR Completo 6249.190

Para el delito de violencia hacia la mujer el mejor modelo es el CAR con las variables MASCU y Pob_Viv. Por lo que sí estaría incidiendo en este delito la cantidad de habitantes por vivienda Así como también la cantidad de hombres en la comuna.

Modelo Violencia hacia Niños

Tabla X: AIC Modelos VIO.NIN
Modelo AIC
Lineal Completo 4162.228
Lineal MASCU + Pob_Viv 4159.743
CAR Completo 3989.597
SAR Completo 4003.238

Para el delito de violencia hacia adulto mayor el mejor modelo es el CAR con todas las variables. Por lo que sí estaría incidiendo en este delito los niveles de hacinamiento y la cantidad de habitantes por vivienda. Además de la cantidad de hombres en la comuna y el nivel de escolaridad de los jefes o jefas de hogar.

Modelo Violencia hacia el Adulto Mayor

Tabla XI: AIC Modelos VIO.ADULT
Modelo AIC
Lineal Completo 3218.644
Lineal HACI + MASCU 3216.932
CAR Completo 3074.503
CAR MASCU + ESC 3070.604
SAR Completo 3080.396
SAR MASCU + ESC 3077.439

Para el delito de violencia hacia adulto mayor el mejor modelo es el CAR con las variables MASCU y ESC. Por lo que no estaría incidiendo en este delito los niveles de hacinamiento o la cantidad de habitantes por vivienda. Pero sí la cantidad de hombres en la comuna y el nivel de escolaridad de los jefes o jefas de hogar.

Modelo Alcohol

Tabla XII: AIC Modelos ALCOHOL
Modelo AIC
Lineal Completo 7131.373
Lineal HACI + ESC + Pob_Viv 7131.201
CAR Completo 7094.734
CAR HACI+ ESC + Pob_Viv 7092.768
SAR Completo 7127.345
SAR HACI+ ESC + Pob_Viv 7125.494

Para el delito de beber alcohol en la vía pública el mejor modelo es el CAR con las variables HACI, ESC y Pob_Viv. Por lo que sí estaría incidiendo en este delito los niveles de hacinamiento o la cantidad de habitantes por vivienda. Además del nivel de escolaridad de los jefes o jefas de hogar.

Modelo Abuso Sexual

Tabla XIII: AIC Modelos ABUSO
Modelo AIC
Lineal Completo 4642.634
Lineal HACI + ESC + Pob_Viv 4641.615
CAR Completo 4502.860
CAR Pob_Viv 4497.643
SAR Completo 4521.311
SAR ESC + Pob_Viv 4520.786

Para el delito de abuso sexual el mejor modelo es el CAR con la variable Pob_Viv. Por lo que en este delito sí estaría incidiendo la cantidad de habitantes por vivienda.

Modelo Ruidos Molestos

Tabla XIV: AIC Modelos RUIDO
Modelo AIC
Lineal Completo 4753.580
Lineal ESC 4754.726
CAR Completo 4710.876
CAR MASCU + ESC 4708.591
SAR Completo 4729.122
SAR MASCU + ESC 4725.380

Para el delito de ruidos molestos el mejor modelo es el CAR con la variable MASCU + ESC. Por lo que no estaría incidiendo en este delito los niveles de hacinamiento o la cantidad de habitantes por vivienda. Pero sí la cantidad de hombres en la comuna, además del nivel de educación de los jefes o jefas de hogar.

Conclusión

Inclusive en los delitos que no se apreciaba autocorrelación espacial podemos notar que el modelo CAR modela mejor. Esto probablemente debido a que las variables comunales que componen la variable respuesta delito sí tendrían autocorrelación espacial.

Tabla XV: Resumen incidencia de las variable comunales sobre los distintos delitos.

Modelo Hacinamiento Masculinidad Escolaridad Pob_Viv
Violencia hacia la Mujer X X
Violencia hacia los Niños X X X X
Violencia hacia Adulto Mayor X X
Consumo de Alcohol en vía pública X X X
Abuso Sexual X
Ruidos Molestos X X

En la tabla XV podemos ver a qué variable se asocia cada delito. En los delitos en los que toma gran importancia el hacinamiento y la cantidad de habitantes por vivienda una forma de tratar de evitar estos otros delitos podría ser mediante subsidios a la vivienda u otras medidas que faciliten el acceso a un espacio propio. En los delitos en los que es bien relevante el nivel de educación del jefe o jefa de hogar es sumamente importante que se evite la deserción escolar y se fomente la continuidad de estudios. Finalmente, para delitos en los que el rol del alto índice de masculinidad comunal es importante nos parece más complejo de solucionar la búsqueda de un equilibrio en lo que a género se refiere. Creemos sumamente importante lograr interpretar esta variable más a fondo y comprender por qué este índice estaría “fomentando” estos delitos.

Referencias

Code for An Introduction to Spatial Analysis and Mapping in R 2nd edition Chris Brunsdon and Lex Comber https://bookdown.org/lexcomber/brunsdoncomber2e/calibrating-spatial-regression-models-in-r.html